[发明专利]一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

说明书

本发明提出了一种基于深度学习的疲劳裂纹扩展速率测试装置和方法，包括一种双尺度快速‑区域卷积神经网络以准确度量裂纹长度，克服了传统柔度法、电位法难以适应于非标准试样的缺点，可用于任意几何尺寸的非标准试件裂纹扩展长度追踪。该方法首先通过相机采集不同尺度的裂纹数据集；其次，利用Faster‑RCNN对裂纹数据集进行训练；再次，构建全局和局部双尺度快速卷积神经网络，预测整个载荷循环周次下的裂纹长度；最后，融合断裂力学获取疲劳裂纹扩展速率与裂纹尖端应力强度因子的关系。本发明可实现对任意几何尺寸的非标准试件裂纹长度度量和扩展速率测试，对疲劳裂纹扩展试验过程中的裂纹长度进行实时自动化测量，并对裂纹扩展速率进行测试。

技术领域

本发明涉及材料疲劳强度技术领域，主要涉及一种基于深度学习的疲劳裂纹扩展速率测试方法及装置。

背景技术

疲劳裂纹扩展速率测试是疲劳裂纹扩展寿命预测的重要组成部分，对结构疲劳寿命评估和损伤容限设计具有重要意义。

疲劳裂纹扩展速率测试目标在于确定裂纹扩展速率与裂纹尖端应力强度因子的关系。裂纹扩展速率测试方法主要包括三个步骤：对含预制裂纹试件的循环加载；获取裂纹长度随循环周次增长的变化关系；根据弹性断裂力学将裂纹扩展速率表达为应力强度因子的函数。试验过程中对裂纹长度的准确测量非常重要，其直接影响了裂纹扩展速率测量的精度。经典的裂纹长度测量方法包括目测法和非目测法。目测法主要使用依靠螺纹传动的低倍显微镜，在试验过程中通过人工读取表面裂纹长度，会受到操作者的疲劳度、责任心和经验等因素的影响，无法实现自动测量裂纹长度随循环周次的变化规律，难以满足重复性、大批量的试验测试要求。非目测法技术大多数可实现自动化，但均依赖于特定几何尺寸试样的相关标定曲线。因此，这些技术大多基于国家标准试件进行裂纹扩展速率测试。然而，现有装备中许多关键构件难以加工成标准试件，如直升机尾传动轴，其加工成型后即为较薄的弯曲管轴试件，无法从中截取出符合国家标准的试样。针对类似的非标准试验，柔度法、电位法等均难以适应于非标准试样的几何变化，而目测法会受到操作者的疲劳度、责任心和经验等因素的影响，且难以满足重复性、大批量的试验测试要求。而现有常用的裂纹长度度量装置裂纹扩展引伸计(COD规)仅适用于标准试件，难以测量几何形状不符合标准规范的非标准试件的裂纹长度。

随着人工智能技术的发展，深度学习方法由于可以自动提取特征且可被集成于移动装置中实现自动化的特点，已在成功应用于语音识别、计算机视觉等领域。卷积神经网络作为深度学习的重要代表之一，被大量用于裂纹的探测，但研究工作均集中于识别裂纹。少量工作基于卷积神经网络针对裂纹长度的度量进行了研究，但主要针对尺寸较大的宏观建筑裂纹进行有效度量。对于疲劳裂纹扩展测试而言，其裂纹尺寸较小，这类方法的度量精度仍然难以满足要求。因而，针对疲劳裂纹扩展问题，利用人工智能技术，发展相适应的新一代疲劳裂纹扩展速率测试方法和装置非常必要，有望实现对疲劳裂纹速率的智能化实时监测，突破传统方法和装置难以适应于非标准试件疲劳裂纹扩展测试的难题。

发明内容

本发明提供一种基于深度学习的疲劳裂纹扩展速率测试装置，所述疲劳裂纹扩展速率测试装置包括采集单元、处理单元和显示单元；

所述采集单元用于获取被测试件的图片；

所述显示单元用于展示裂纹检测结果，在裂纹试件图片中显示出裂纹的位置并输出检测到的裂纹长度；

所述处理单元用于加载双尺度裂纹试件数据集、双尺度识别模块和疲劳裂纹扩展速率与应力强度因子关系拟合模块；

所述双尺度裂纹试件数据集包括全局尺度数据集和局部尺度数据集，所述全局尺度数据集存储试件裂纹扩展试验中全景图像，所述局部尺度数据集储试件裂纹扩展试验中仅包含裂纹信息的图像；

所述双尺度识别模块包括全局尺度识别模块和局部尺度识别模块；所述全局尺度识别模块通过所述全局尺度数据集进行训练，用于识别长裂纹的位置和长度，或短裂纹的初步检测结果；所述局部尺度识别模块通过所述局部尺度数据集进行训练，用于识别短裂纹的位置和长度；